Muse Wonder, memoria e compiti lunghi per sfidare Google e OpenAI

Meta vuole che le persone affidino all’AI un lavoro da finire, e continuino a farlo anche dopo la curiosità del primo utilizzo. È su questa capacità di trasformare la delega in un’abitudine che si gioca il lancio di Muse Wonder e Muse Wonder Full, presentati il 12 ottobre 2026. I nuovi modelli promettono di ricordare ciò che serve, affrontare gli ostacoli e portare avanti incarichi complessi. Per Meta dovranno anche rendere più convincente Muse, il suo assistente personale, nella competizione con Google Gemini Spark, OpenAI Dots e Instinct.

La distanza tra provare un agente e usarlo stabilmente è già misurabile. Secondo i dati di Sensor Tower, Muse ha raccolto quasi nove milioni di download globali dal lancio di settembre, ma le nuove installazioni stanno rallentando e la quota di utenti che resta attiva dopo 14 giorni è inferiore a quella di ChatGPT. I download non sono utenti abituali: il nuovo modello arriva quando Meta deve dimostrare che l’assistente fa risparmiare abbastanza lavoro da giustificare il ritorno.

Muse Wonder è il modello, Muse è l’agente

Per capire l’annuncio occorre distinguere il modello dal prodotto che lo usa. Wonder interpreta informazioni e istruzioni; Muse aggiunge l’ambiente operativo, le connessioni alle applicazioni e l’interazione con l’utente. Un modello più capace può migliorare le decisioni dell’agente, ma il completamento di un incarico dipende anche dagli strumenti disponibili e dai permessi concessi.

Meta rende Wonder disponibile attraverso la propria interfaccia per sviluppatori, Meta Model API, e lo strumento di programmazione Muse Code. Wonder Full è riservato agli abbonamenti Muse Code Power Usage e Maximum Usage. Il passaggio di Muse a Wonder è annunciato per una distribuzione successiva, inizialmente agli abbonati: il lancio del modello non equivale quindi all’aggiornamento immediato di tutti gli assistenti.

Il terreno aziendale è già esplicito. Con Muse for Small Business, annunciato il 29 settembre, Meta ha presentato collegamenti a strumenti come Shopify, Intuit QuickBooks e Slack, oltre agli account professionali Facebook e Instagram. Gli usi proposti comprendono l’analisi delle vendite e la preparazione delle campagne. Meta dichiara che pubblicazioni, invii e spese richiedono approvazione. È in attività di questo genere, distribuite fra più applicazioni, che le capacità di Wonder dovranno produrre un vantaggio concreto.

Active Memory e Active Focus: ricordare e proseguire

La presentazione tecnica di Meta mette al centro Active Memory: conservare il contesto tra conversazioni e recuperare i dettagli pertinenti quando servono. Active Focus riguarda invece la continuità dell’esecuzione: provare approcci alternativi, superare gli ostacoli e adattarsi a informazioni nuove, chiedendo chiarimenti e verificando con l’utente le azioni importanti. Meta valuta questi aspetti anche attraverso FocusBench e SWE-Marathon, dedicato a progetti software prolungati.

Le due capacità rispondono a problemi diversi. Immaginiamo un assistente incaricato di organizzare una trasferta: deve ricordare il budget indicato giorni prima e usarlo nella scelta delle opzioni. Se una prenotazione non è disponibile, deve poi cercare un’alternativa compatibile. Ricordare il vincolo non basta se l’agente si ferma al primo impedimento; continuare a tentare non aiuta se nel frattempo perde di vista quel vincolo.

Questa distinzione conta anche nel lavoro. In un progetto software, per esempio, correggere un file può rendere necessarie modifiche altrove e nuovi test. L’utilità di un agente dipende dalla capacità di mantenere l’obiettivo durante le revisioni. “Memoria” e “focus” descrivono dunque comportamenti attesi; non vanno interpretati come prova che il sistema comprenderà sempre correttamente una richiesta o saprà quando interrompersi.

Le specifiche tecniche e il significato del contesto lungo

La documentazione dei modelli Meta indica per Wonder una finestra di 1.048.576 token, le unità in cui il sistema suddivide i contenuti. Accetta testo, immagini, video, audio e PDF e restituisce testo. Supporta chiamate a strumenti, output strutturati e uso del computer; può pianificare attività, delegare parti a sottoagenti e recuperare dagli errori. Il livello di ragionamento è regolabile da minimal a max: selezionare max non trasforma Wonder in Wonder Full.

Un contesto ampio permette di fornire molto materiale nello stesso incarico, ma non coincide con una memoria permanente. Il contesto è ciò che il modello può elaborare nella richiesta; la memoria tra conversazioni riguarda quali informazioni vengono conservate e riportate negli incarichi successivi. Per chi sviluppa un servizio, confondere le due cose porterebbe ad aspettarsi continuità personale dalla sola capacità di accettare documenti lunghi.

Muse Wonder: specifiche e accesso

Fonte: Meta, documentazione dei modelli, consultata il 12 ottobre 2026.

I benchmark: risultati forti, primato non uniforme

Nella tabella di valutazione pubblicata da Meta, Wonder ottiene 85,6 su MemoryBench e Full 85,5, davanti ai tre concorrenti indicati. È un risultato coerente con l’enfasi sulla memoria, ma resta una misura in un test specifico. Non consente di dedurre con quale frequenza un agente ricorderà correttamente ogni dettaglio di un vero rapporto di lavoro.

Il quadro cambia con il compito: Full precede i rivali elencati in DeepSWE 1.1, mentre Opus 5.5 è avanti in ProgramBench. La selezione qui sotto conserva anche un risultato sfavorevole a Meta. I punteggi appartengono a test differenti e non vanno sommati per ricavare una classifica generale.

Due test di programmazione, risultati diversi

Fonte: Meta, valutazioni di lancio, 12 ottobre 2026. Punteggi dei rispettivi test; livello di ragionamento max. Valori maggiori indicano risultati migliori; le due colonne non sono una metrica unica.

Per un’impresa, questi test servono a scegliere che cosa sperimentare. Il controllo decisivo resta il risultato sul proprio processo: quante pratiche vengono completate, quante tornano a un dipendente e quanto tempo richiedono le correzioni. Un buon punteggio di programmazione non misura automaticamente l’affidabilità nella gestione di ordini o nelle comunicazioni con i clienti.

Quanto costa Wonder e perché conta la cache

Il listino Meta Model API fissa Wonder a 4 dollari per milione di token in ingresso, 20 in uscita e 0,20 per gli input recuperati dalla cache. La cache riutilizza una parte iniziale della richiesta già elaborata, quando ricorrono le condizioni previste. Il costo dell’ingresso cambia molto se un agente ripresenta ripetutamente lo stesso materiale.

Il prezzo per token, però, non dice quanto costerà un incarico completo. Se il sistema effettua numerosi tentativi, usa più strumenti o produce risposte molto lunghe, il consumo cresce. La metrica utile è il costo per compito riuscito, includendo il tempo umano necessario a verificare e correggere il risultato. È su questo rapporto che un modello più caro può risultare conveniente, se riduce davvero tentativi e interventi.

C’è anche una distinzione da controllare prima di caricare informazioni aziendali: nell’API Wonder funziona in modalità Standard, che esclude l’uso dei contenuti per addestrare i modelli Meta. Gli abbonamenti Muse Code attivano invece di default Contributor mode, disattivabile nelle impostazioni, che concede più utilizzo in cambio dell’impiego dei contenuti nell’addestramento. API e abbonamento di programmazione hanno quindi condizioni diverse.

Vediamo i concorrenti di questa partita sempre più agguerrita. Google, OpenAI, Instinct.

Google Spark: il vantaggio delle applicazioni già usate

La proposta di Gemini Spark parte dall’ambiente Google: collegamenti a Gmail, Calendar, Drive e ai documenti, con attività, istruzioni riutilizzabili e automazioni programmate o condizionali. Le connessioni sono disattivate inizialmente e vanno abilitate. Il servizio può lavorare in background anche quando i dispositivi dell’utente sono spenti. La pagina ufficiale indica disponibilità per abbonati Google AI Pro e Ultra maggiorenni in Paesi selezionati e per alcuni utenti business: l’accesso non è uniforme.

Google ha inoltre annunciato a luglio l’integrazione di Spark con Chrome: con il permesso dell’utente può utilizzare sessioni autenticate e password salvate per svolgere attività sul web, restituendogli il controllo per operazioni sensibili come i pagamenti. Il vantaggio potenziale è la vicinanza ai dati del lavoro: posta, appuntamenti e documenti possono fornire il contesto necessario a completare un incarico senza che la persona lo ricostruisca ogni volta.

OpenAI Dots: dalla delega personale ai ruoli aziendali

OpenAI ha presentato Dots il 29 settembre. Gli agenti, basati su GPT-6 Astra, dispongono di un computer nel cloud e lavorano attraverso applicazioni collegate. Le Custom Rules permettono di autorizzare, bloccare o subordinare ad approvazione determinate azioni; l’Activity View rende consultabile il lavoro. La distribuzione riguarda Pro e Business Premium nei mercati abilitati, oltre alla beta Enterprise attivabile dagli amministratori. La supervisione è parte del prodotto.

OpenAI sta anche sperimentando specialist dots con identità, credenziali e responsabilità dedicate dentro le organizzazioni, tramite progetti pilota. Per un’azienda è una distinzione sostanziale: l’assistente di una persona opera per suo conto, mentre un agente assegnato a una funzione richiede un perimetro operativo definito dall’organizzazione. Il confronto tra fornitori riguarda così anche chi attribuisce i permessi e chi risponde del controllo dei risultati.

Instinct: ridurre lo sforzo necessario per delegare

Instinct sceglie come interfaccia messaggi e chiamate. La società descrive un assistente capace di utilizzare telefono e computer e propone incarichi come contestare una bolletta, ordinare la spesa o fissare appuntamenti. Sono capacità dichiarate dal fornitore, non un confronto indipendente di prestazioni con Muse. L’idea di prodotto è comunque riconoscibile: chiedere aiuto attraverso un canale familiare, senza imparare un nuovo ambiente di lavoro.

Questa semplicità affronta un ostacolo che i benchmark non misurano: capire che cosa affidare all’agente. Un utente può rinunciare prima ancora di provarne le capacità se deve configurare molti strumenti o tradurre un bisogno quotidiano in istruzioni complesse. La competizione include quindi il tempo necessario per arrivare al primo risultato utile, oltre alla qualità del modello sottostante.

Quattro proposte di agente personale

Fonti: presentazioni ufficiali di Meta, Google, OpenAI e Instinct. Quadro al 12 ottobre 2026; funzioni dichiarate, non graduatoria di prestazioni.

La prova per le imprese: delega utile e controllabile

Le quattro proposte convergono sulla gestione continuativa di attività personali e professionali, ma chiedono accessi diversi e offrono strumenti diversi di supervisione. Per valutarle conviene partire da un incarico delimitato e verificabile: preparare, per esempio, un riepilogo delle fatture in attesa con i documenti che lo giustificano. Soltanto dopo aver misurato errori e correzioni ha senso ampliare i permessi verso azioni che modificano dati o coinvolgono terzi.

Il dato sulla permanenza degli utenti di Muse riporta la gara al suo punto economico. Se per ogni attività la persona deve spiegare tutto da capo o correggere il risultato, avrà pochi motivi per continuare a delegare. Wonder prova a ridurre questo lavoro con memoria e perseveranza. La verifica sarà il lavoro risparmiato: tempo restituito all’utente dopo aver sottratto quello impiegato a istruire, sorvegliare e correggere l’assistente.